RoI Pooling详解

RoIPooling详解：深度学习特征提取的高效方法

最新推荐文章于 2025-10-24 20:39:36 发布

转载最新推荐文章于 2025-10-24 20:39:36 发布 · 2.2k 阅读

深度学习专栏收录该内容

15 篇文章

订阅专栏

本文深入探讨了RoIPooling技术，作为深度学习中特征提取的重要组件，它通过将RoI（区域提议）映射到特征图上，并采用最大池化操作，确保了无论RoI的原始大小如何，最终都能获得一致的输出尺寸。通过实例演示，解释了如何将RoI划分为指定数量的子网格，然后进行最大池化操作，从而实现特征的高效聚合。

RoI Pooling详解

RoI Pooling其实是SPP pooling的一种特殊情况。SPP pooling可以采用多个金字塔层，RoI只采用一种。具体做法为: 对于映射到feature map上的RoI(Region Proposal通过变换得来)，假设该RoI大小为h×wh×w,RoI Pooling的输出为H×WH×W(H,WH,W为超参数)。将h×wh×w的RoIRoI分解成H×WH×W的子网格，每个格子大小近似为hH×wWhH×wW。然后再对H×WH×W个格子，每个格子取maxpoolingmaxpooling。这样最后对于每个RoI,不论其大小如何，都能得到一个大小为H×WH×W的feature map。

如下:
1. 输入feture map
这里写图片描述
2. region proposal投影(左上角，右下角坐标)：(0，3)，(7，8)。

3. 将其划分为（2*2）个sections（因为输出大小为2*2），我们可以得到：

4. 对每个section做max pooling，可以得到：